卷积神经网络概述
CNN的核心作用在于借助特定方法从对象中抽取出有效细节，再利用这些细节完成对象的归类、辨认、预估或决断等任务。其中最关键的环节是细节抽取，重点在于如何获得最能区分不同对象的细节。倘若抽取的细节无法有效区分彼此，那么这一细节抽取环节就失去了实际价值。而实现这个伟大的模型的，是对CNN进行迭代训练。
卷积神经网络的构造方式多种多样，不过其核心组成大体相同，以LeNet-5为例加以说明，具体展示于下图，该网络主要由三类基本单元构成，分别是卷积单元、汇聚单元以及全连接单元。这部分包含卷积层，其作用是提取输入数据的特征信息。该层由大量卷积核构成，每个卷积核负责生成特定的特征图。
非线性由激活函数赋予卷积神经网络，典型代表包括sigmoid函数，tanh函数，以及ReLU函数，这些是常用选择。
池化环节削减卷积环节得出的特征矩阵，并且有助于提升效果（让构造不轻易产生过拟合现象），常见的有均值池化和最大池化这两种方式
全连接层通过叠加卷积层和Pooling层，可以构成一个或多个全连接层，从而具备进行复杂推理的能力。
全连接神经网络
举个小例子：
卷积神经网络各层关系图
该图所示卷积网络运作方式如下，其输入层包含三十二行三十二列的感知单元，用于接收原始图像，随后计算过程会在卷积运算与子采样步骤之间循环执行，具体操作如下所述：
第一隐藏层执行卷积操作，该层包含六个特征图，每张特征图由28×28个处理单元构成，每个处理单元对应一个5×5的区域作为其感知窗口
第二隐藏层负责子采样工作，同时执行局部平均操作kaiyun全站登录网页入口，该层包含六个特征映射，每个特征映射由 14×14 个神经元构成。每个神经元配备一个 2×2 的感受野，一个可训练参数，一个可训练偏置kaiyun官方网站登录入口，以及一个 sigmoid 激活机制。可训练参数和偏置共同决定神经元的运作状态。
第三层再次执行卷积运算，这一层包含十六组特征映射，每组特征映射由一百个神经元构成。该层中的每个神经元可能与下一层中的多个特征映射建立突触联系，其运作方式与初始卷积层类似。
第四个隐层执行二次子采样及局部均值运算。该层包含十六个特征映射，每个映射构成五乘五的神经元矩阵，运作模式与初次采样时类似。
第五个隐藏层负责完成卷积的最后步骤，这个层包含 120 个神经元单元，每个神经元对应一个 5×5 的感受区域。
最后是个全连接层，得到输出向量。
连续不断地在卷积运算和下采样步骤之间切换，形成了类似“双峰塔”的结构，具体表现为，每当经过一个卷积或下采样环节，图像的空间清晰度就会降低，而特征图的数量则相对于前一层有所增长。采用卷积处理之后再实施子采样这种设计思路，其灵感来源于生物视觉系统中“初级”神经元紧随“高级”神经元排列的现象。
卷积的特点
局部感知
卷积核的尺寸通常小于输入图像的尺寸，假如两者相等，就属于全连接模式，因此卷积操作提取的特征更侧重于局部区域——这种做法与日常图像处理的需求高度契合。单个神经元无需感知整个图像，仅需要处理局部区域的信息，随后在更高级别的层次上整合局部信息，从而形成对全局的把握。
参数共享
参数共享最大的作用莫过于很大限度地减少运算量了。
多核
通常情况下，都不会仅用一个卷积核来对输入图像实施处理，因为单个核的参数是固定的，其提取的特征也会趋于单调。这有点类似于我们平时如何公正地审视事物，必须从多个视角进行分析，这样才能尽可能防止对该事物形成片面认知。我们也需要借助多个卷积核来对输入图像执行卷积操作。
Down-Pooling
卷积过程完成之后，紧接着使用池化层，这种组合方式非常理想，它能够有效地集中特征信息kaiyun全站网页版登录，同时降低数据的维度，以此减轻计算负担。
多层卷积
层数越高，提取到的特征就越全局化。
